量子科技中心_量科网

经典可模拟系统与具备计算优势的量子系统之间的边界，是确认真正量子优越性的关键。该研究团队在量子储备计算的框架下，通过引入可调节的N量子比特随机电路模型展开研究——其中部分Clifford门（概率p）会被非稳定化的条件-T门替代。研究人员发现储备池在时序处理任务中的性能，与其纠缠谱统计特性及长程非稳定化资源含量存在直接关联。为评估可扩展性，该工作以固定电路深度比d/N∼O(1)为前提，研究了大规模N极限下状态抗平坦度的标度行为，将其作为测量集中现象的见证指标（已知热化系统中阻碍学习的因素）。实验表明，参数p可连续调控储备池的可学习性与可扩展性，从而实现从经典易处理到最大表达能力的量子动力学的渐进过渡。这些与架构无关的成果为设计强大且可训练的量子机器学习系统提供了通用策略，同时阐明了支撑量子计算优势的物理资源。